[发明专利]基于特征匹配的目标实时识别方法

权利要求书

1.基于特征匹配的目标实时识别方法，其特征在于包括以下步骤：

步骤一：获取已有目标的不同角度的图像，并根据获取的图像为每一个已有目标建立一个模板库，所有已有目标的模板库构成一个模板库集合；

步骤二：实时获取待识别目标的图像；

步骤三：利用灰度均匀化算法对待识别目标的图像与某个模板库中的模板分别进行预处理，得到对应的两张待匹配图像；其中，模板是指模板库中存储的目标的某一角度的图像；

步骤四：利用快速自适应鲁棒性尺度不变的特征检测子FARISFD分别对两张待匹配图像进行特征检测获得两组特征点；

步骤五：利用鲁棒性交叠的标准特征描述子ROGFD分别对两组特征点进行特征描述获得两组特征向量；

步骤六：利用基于KD树的BBF算法与双向匹配法对两组特征向量进行快速匹配得到特征对应关系，再利用PROSAC算法对特征对应关系进行计算，得到两张待匹配图像间的单应性矩阵与内点数目；

步骤七：根据内点数目与模板图像特征点数目计算得到匹配率；

步骤八：重复步骤三至步骤七，直至模板库中的所有模板均与待识别目标的图像进行匹配完毕且得到各自的匹配率；

步骤九：根据模板库中的所有模板分别与待识别目标的图像进行匹配得到的所有匹配率，计算得到该模板库的匹配率平均值；

步骤十：将模板库集合中的每个模板库的匹配率平均值进行比较，将待识别目标判定为匹配率平均值最高的模板库所对应的已有目标；

所述步骤四具体包括以下步骤：

(401)分别将两张待匹配图像的尺度空间的每组中总层数定为4；

(402)根据两张待匹配图像的行数与列数分别求出两张待匹配图像的尺度空间的总组数；

(403)将两张待匹配图像分别根据各自的尺度空间的总组数与尺度空间的每组中总层数，按照SIFT算法分别构建两个尺度空间，其中高斯滤波函数为其中，x与y分别为像素点的横纵坐标；

(404)在两个尺度空间内的每组的上下两端分别加入过渡层，得到两个新的尺度空间；其中，上端过渡层由本组最上层经过高斯滤波得到，下端过渡层由前组的最上层经过降采样与高斯滤波得到，最底层为原始图像；

(405)利用FAST算子对两个新的尺度空间的每一层的每一个点进行计算，得到所有点的特征分数；

(406)将两个新的尺度空间的除过渡层外的每一层的每一个点的特征分数与上下层以及同层中共26个相邻点的特征分数作比较，若该点的特征分数最大或最小，则判定该点为候选点，比较判定后得到两组候选点；

(407)分别计算两组候选点的特征分数的微分与二阶微分，并根据两组候选点的特征分数的微分与二阶微分计算得到两组候选点的亚像素级横纵坐标；

(408)利用小波扇形环绕对两组具有亚像素级横纵坐标的候选点分别赋予方向得到两组特征点；

完成基于特征匹配的目标实时识别。

2.根据权利要求1所述的基于特征匹配的目标实时识别方法，其特征在于：步骤五具体包括以下步骤：

(501)利用Scharr算子分别对两张待匹配图像进行计算，得到两张待匹配图像的图像梯度；

(502)根据得到两张待匹配图像的图像梯度分别计算得到两张待匹配图像的二阶标准偏导数；

(503)以特征点为中心，以24σ_i为边长，以特征点方向为纵轴方向，确定一个正方形邻域；其中，σ_i为定向的特征点的尺度参数；

(504)将正方形邻域分成16个相同的子正方形邻域，将每个子正方形邻域的大小扩展为9σ_i×9σ_i，相邻的扩展后的子正方形邻域有宽度为2σ_i的交叠带，所有扩展后的子正方形邻域组成描述网格；

(505)利用高斯核为2.5σ_i的高斯函数对每个扩展后的子正方形邻域内所有点的二阶标准偏导数及其绝对值进行加权求和，得到4维向量；

(506)连接16个扩展后的子正方形邻域内的4维向量得到一个64维向量，对该64维向量归一化处理到单位长度后得到该特征点的特征向量；

(507)重复步骤(503)至步骤(506)，直至两张待匹配图像中的所有特征点均被特征描述完毕且得到各自的特征向量。